CN111343680A - 一种基于参考信号接收功率预测的切换时延减少方法 - Google Patents
一种基于参考信号接收功率预测的切换时延减少方法 Download PDFInfo
- Publication number
- CN111343680A CN111343680A CN202010134317.XA CN202010134317A CN111343680A CN 111343680 A CN111343680 A CN 111343680A CN 202010134317 A CN202010134317 A CN 202010134317A CN 111343680 A CN111343680 A CN 111343680A
- Authority
- CN
- China
- Prior art keywords
- rsrp
- training
- time
- cell
- serving cell
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000009467 reduction Effects 0.000 title claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 115
- 238000005259 measurement Methods 0.000 claims abstract description 25
- 238000002360 preparation method Methods 0.000 claims abstract description 23
- 210000004027 cell Anatomy 0.000 claims description 171
- 210000002569 neuron Anatomy 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000005284 excitation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- MQOMKCIKNDDXEZ-UHFFFAOYSA-N 1-dibutylphosphoryloxy-4-nitrobenzene Chemical compound CCCCP(=O)(CCCC)OC1=CC=C([N+]([O-])=O)C=C1 MQOMKCIKNDDXEZ-UHFFFAOYSA-N 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000004044 response Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0055—Transmission or use of information for re-establishing the radio link
- H04W36/0058—Transmission of hand-off measurement information, e.g. measurement reports
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
- H04W36/0085—Hand-off measurements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/08—Reselecting an access point
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/24—Reselection being triggered by specific parameters
- H04W36/30—Reselection being triggered by specific parameters by measured or perceived connection quality data
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于参考信号接收功率预测的切换时延减少方法，所述方法利用UE周期性上报的RSRP，将UE接收到的服务小区和邻小区的RSRP视为时间序列，基于长短时记忆网络对时间序列进行预测，为切换的提前准备提供保障。首先采集基站下发的测量控制信息和服务小区和邻小区RSRP样本集合，然后构建服务小区和目标小区的LSTM训练集，并且经过预处理的数据进行目标小区和服务小区模型训练。当服务小区基站通过测量报告记录的RSRP时间序列预测得下一时刻UE接收到目标小区RSRP，并且服务小区RSRP满足A3事件后，在当前时刻进行切换请求，准入控制和切换应答等切换准备，并在下一时刻执行切换。本发明所述方法能够减少切换准备阶段导致的切换时延。
Description
技术领域
本发明属于无线通信中的切换技术，具体涉及一种基于参考信号接收功率预测的切换时延减少方法。
背景技术
切换是移动通信系统中保障业务无缝连接和用户体验的重要技术。为了减少服务中断带来的影响，切换的及时触发，准备和执行尤为重要。切换准备过程中，基站间的信令传输虽然能够为用户设备(User Equipment，UE)的切换预留足够的资源，但是也不可避免地带来切换的时延。而过高的切换时延可能会造成无线链路失败(Radio Link Failure，RLF)，甚至造成切换的失败或掉话率的增加，影响整个通信系统的性能和用户的通话体验。本发明中采用参考信号接收功率(Reference Signal Receiving Power，RSRP)预测方法，该方法能够提前对切换条件进行判断并作好切换准备，从而减少切换准备时间过长带来的切换时延。
LTE切换时需要UE上报测量的结果(包括RSRP，RSRQ等)，而上报又分为周期性上报和事件触发的上报。周期性上报由基站配置，UE直接上报测量的结果。
事件触发的上报又分为同频系统的事件和不同系统间的事件，同频切换报告事件包括：
(1)事件A1，服务小区好于绝对门限；这个事件可以用来关闭某些小区间的测量。
(2)事件A2，服务小区差于绝对门限；这个事件可以用来开启某些小区间的测量，因为这个事件发生后可能发生切换等操作。
(3)事件A3，邻居小区好于服务小区；这个事件发生可以用来决定UE是否切换到邻居小区。
(4)事件A4，邻居小区好于绝对门限；
(5)事件A5，服务小区差于一个绝对门限并且邻居小区好于一个绝对门限；这个事件也可以用来支持切换
发明内容
发明目的：针对上述现有技术对于切换过程中的切换时延问题，本发明的目的是提供一种基于参考信号接收功率预测的切换时延减少方法。
技术方案：一种基于参考信号接收功率预测的切换时延减少方法，包括如下步骤：
(1)采集网络信息，包括基站下发的测量控制信息和服务小区和邻小区RSRP样本集合；
(2)数据预处理，并构建服务小区和目标小区的LSTM训练集，基于RSRP样本集合提取训练所需特征，并将数据处理成可供LSTM模型训练的形式；
(3)训练服务小区和目标小区的LSTM模型，训练数据为长是K的时间序列，所述LSTM模型输入层输入前K-1个数据，输出层有1个神经元用于输出预测结果RSRP；
(4)预测目标小区和服务小区TTT时刻后的RSRP以实现提前的切换判断，根据步骤(2)中时间间隔Tinterval取决于待预测的时刻tpre与当前时刻tcur的时间之差，并根据Tinterval＝TTT处理得到服务小区和目标小区的训练集，分别输入步骤(3)中训练得到服务小区的LSTM模型和目标小区的LSTM模型；
(5)判断切换，将步骤(4)所得预测结果代入如下数学表达式进行判断：
若满足上述则转至步骤(6)，否则转至步骤(1)；
(6)提前切换准备，将A3事件将判定为触发，服务小区基站在t+TTT-Tp时刻进入切换准备阶段并向目标小区基站发送切换请求，其中，Tp为切换准备时间；
(7)切换执行，当切换准备阶段完成后，且测量报告触发准则满足，UE直接切换至目标小区，完成切换。
具体实施步骤如下：
步骤(1)：采集网络信息
(11)采集基站下发的测量控制信息，包括测量周期Tm，切换控制参数TTT(Time-to-Trigger)和HOM(Handover Margin)；
(12)采集服务小区和邻小区RSRP样本集合。每隔测量周期Tm，各UE上报测得的服务小区及所有相邻小区的RSRP到各服务基站，存入各自的服务小区基站，记为RSRP样本集合L，其形式如(1)所示
其中N为相邻小区的个数，RSRPser(ti)为ti时刻UE测得服务小区的RSRP，RSRPn(ti)为ti时刻UE测得第n个相邻小区的RSRP；
步骤(2)数据处理，构建服务小区和目标小区的LSTM训练集。
该步骤是为了从第一步的RSRP样本集合L中找到训练所需特征，并将数据处理成可供LSTM模型训练的形式。包括如下流程：
(21)从N个相邻小区中选取RSRP最大的小区视为切换目标小区(以下简称目标小区)，其ti时刻的RSRP标记为RSRPtar(ti)；
(22)若tcur时刻，服务小区和目标小区的RSRP满足式(2)，
RSRPtar＞RSRPser+HOM (2)
则从样本集合L中分别读取这两个小区t0至tcur时刻的RSRP数据，记为RSRP历史数据集Lser和Ltar，如式(3)和式(4)所示，
(23)数据预处理。该步骤的目的是基于RSRP历史数据集Lser和Ltar构造训练集，分别用于服务小区和目标小区的LSTM模型训练。LSTM模型的训练数据是长为K(该值可由运营商根据实际情况自行确定)的时间序列数据，其中前K-1个数据作为LSTM模型的输入，最后1个数据用于与LSTM模型的输出结果比较，计算出训练误差，以更新模型中的参数。因此，需要基于RSRP历史数据集Lser和Ltar，根据LSTM的输入数据形式要求来构建服务小区和目标小区的LSTM训练集。
服务小区LSTM模型训练集的构造。LSTM需要构造的训练数据为长为K的时间序列数据，而时间序列数据的时间间隔Tinterval则取决于待预测时刻与当前时刻的时间间隔，这是由于LSTM模型中，待预测时刻和当前时刻的数据间的关系可以从相同时间间隔的历史数据中去学习到，因此需要将历史数据以时间间隔Tinterval进行重新划分成多组长为K的时间序列数据，构成训练数据集。已知RSRP历史数据集Lser中，数据之间的时间间隔为基站的测量周期Tm，若Tinterval＝vTm,v＝1,2,...，则对Lser中的各RSRP值以Tinterval为时间间隔进行抽样，以构造训练数据集。RSRP的抽样方法如下：
首先从t0时刻开始以Tinterval为时间间隔抽样K个时刻的RSRP作为训练集的第一组数据，抽样时刻为t0，t0+Tinterval，…，t0+(K-1)Tinterval，得到第一组抽样数据(RSRPser(t0),RSRPser(t0+Tinterval),…,RSRPser(t0+(K-1)Tinterval))。接着对下一时刻t1做同样地抽样，以此类推，直至历史数据集被完全划分。此时，得到服务小区RSRP的训练集为L'ser，其形式如式(5)所示，
对Ltar做同样的处理，得到目标小区RSRP的训练集为L'tar，其形式如式(6)
所示；
步骤(3)、为服务小区和目标小区训练LSTM模型
本发明中使用的LSTM模型有3层神经元，分别为输入层x，隐藏层c，输出层y，其中输入层有K-1个神经元，和输入数据个数一致，输出层有1个神经元用于输出预测结果RSRP，中间隐藏层有M个神经元(该值可由运营商根据实际情况自行确定)。L'ser和L'tar为训练序列，分别对服务小区和目标小区LSTM模型进行训练。
(31)服务小区LSTM模型训练
以其中一次训练为例进行说明。LSTM的输入为L'ser中的一组数据前K-1个时刻的RSRP x＝(x1,x2,…,xk,…,xK-1)，隐藏层的状态转移由式(7)给出：
ck＝tanh(U·xk+Wck-1+b) (7)
其中，xk为x中第k个RSRP值，ck表示第k个隐藏层神经元状态，U为连接输入层和隐藏层之间的权重，W是连接隐藏层之间的权重，b为偏置值。以上参数初始化时可以随机选取，并随LSTM根据每轮训练的误差进行更新，直至误差达到精度要求。tanh()表示输入层与隐藏层间的激励函数，如式(8)
最后根据式(9)得到模型输出
其中，V是连接隐藏层和输出层之间的权重，d为偏置值。以上参数初始化时可以随机选取，并随LSTM根据每轮训练的误差进行更新，直至误差达到精度要求。sigmoid()表示隐藏层与输出层间的激励函数，如式(10)：
根据L'ser中训练集中输出数据xK可计算出本次训练的误差。由式(11)给出
LSTM根据训练误差，通过逆向传播方法更新LSTM中权重U,V,W和偏置值b，d。至此，一次训练完成。
当一轮训练后，即L'ser集合中所有样本都输入LSTM模型中进行了一次训练，此时，训练误差由均方误差(Mean Square Error，MSE)，由式(12)给出
其中ej为样本集中一个样本的训练误差，J为样本集中样本的个数。进行多轮样本集训练后，若训练误差E不再减小或收敛时停止，模型参数更新完毕，得到服务小区RSRP的LSTM模型。
(32)目标小区LSTM模型训练
将L'tar输入LSTM模型中，与步骤(31)相同，根据训练误差对模型参数更新，可获得目标小区RSRP的LSTM模型；
步骤(4)预测目标小区和服务小区TTT时刻后的RSRP
为了实现提前的切换判断，因此需要预测TTT时刻后的RSRP。根据步骤(2)中时间间隔Tinterval应当取决于待预测的时刻tpre与当前时刻tcur的时间之差可知，Tinterval＝TTT。并根据Tinterval＝TTT处理得到服务小区和目标小区的训练集，分别输入步骤三中训练得到服务小区的LSTM模型和目标小区的LSTM模型。
(41)服务小区RSRP预测
对于服务小区，将待预测时刻t的前K-1个时刻数据(RSRPser(t-(K-1)TTT),RSRPser(t-(K-2)TTT),…,RSRPser(t))作为输入，输入训练得到的服务小区的LSTM模型，得到服务小区的预测结果
(42)目标小区RSRP预测
与服务小区类似，将目标小区待预测时刻t的前K-1个时刻数据(RSRPtar(t-(K-1)TTT),RSRPtar(t-(K-2)TTT),…,RSRPtar(t))作为输入，输入训练得到的目标。
步骤(5)：判断切换
将所得预测结果代入式(13)中，若满足式(13)则转至步骤六，否则转至步骤一；
步骤(6)提前切换准备
当式(13)满足时，A3事件将判定为触发，所以服务小区基站会在t+TTT-Tp时刻进入切换准备阶段并向目标小区基站发送切换请求。其中，Tp为切换准备时间(该值由运营商根据实际情况自行确定)；
步骤(7)切换执行
当切换准备阶段完成后，与此同时，测量报告触发准则满足，UE直接切换至目标小区。至此，切换完成。
有益效果：与现有技术相比，本发明中基于参考信号接收功率预测的切换时延减少方法，将深度学习应用在基站采集的数据上，能够充分利用网络中的信息，给预切换的执行提供有力地支撑。该方法利用时序预测模型LSTM对RSRP的变化进行精确地建模，获得较高的预测精度，这是得益于LSTM并不会将所有的输入独立地看待，前一个输入和后一输入间学得的关系会在模型中通过遗忘门选择性地记忆或遗忘，并传递至下一个输入。其它的预测方法，如神经网络，则将所有的输入独立地看待，并不能很好地利用时间序列RSRP的时序性特点，因此预测精度会较LSTM有一定的劣势。高预测精度的预测结果能够为切换条件的提前判断提供支持，由此可以将切换准备的步骤提前进行，从而达到减少切换时延的目标。
附图说明
图1是本发明所述方法的处理流程图；
图2是本发明所述方法中RSRP的抽样方法示意图；
图3是本发明使用的LSTM结构示意图。
具体实施例
为了详细的说明本发明所述的技术方案，下面结合说明书附图及具体实施例做进一步的阐述。
本发明对于无线通信中的切换控制和A3事件触发，提供的是一种基于RSRP预测的切换时延减少方法。该方法利用UE周期性上报的RSRP，将UE接收到的服务小区和邻小区的RSRP视为时间序列，基于长短时记忆网络(Long Short Term Memory，LSTM)对时间序列进行预测，为切换的提前准备提供保障。当服务小区基站通过测量报告记录的RSRP时间序列预测得下一时刻UE接收到目标小区RSRP，并且服务小区RSRP满足A3事件后，在当前时刻进行切换请求，准入控制和切换应答等切换准备，并在下一时刻执行切换。该方法能够减少切换准备阶段导致的切换时延。如图1所示，主要包括如下步骤：
步骤(1)：采集网络信息
本步骤包括如下流程：
(11)采集基站下发的测量控制信息，包括测量周期Tm＝40ms，切换控制参数TTT＝160ms和HOM＝2dB；
(12)采集服务小区和邻小区RSRP样本集合。每隔测量周期Tm，各UE上报测得的服务小区及所有相邻小区的RSRP到各服务基站，存入对应服务基站的RSRP样本集合L，其形式如(1)所示
其中N为相邻小区的个数，RSRPser(ti)为ti时刻UE测得服务小区的RSRP，RSRPn(ti)为ti时刻UE测得第n个相邻小区的RSRP；
步骤(2)数据处理，构建服务小区和目标小区的LSTM训练集。
该步骤是为了从第一步的RSRP样本集合L中找到训练所需特征，并将数据处理成可供LSTM模型训练的形式。本步骤包括如下流程：
(21)从N个相邻小区中选取RSRP最大的小区视为切换目标小区(以下简称目标小区)，其ti时刻的RSRP标记为RSRPtar(ti)；
(22)若tcur时刻，服务小区和目标小区的RSRP满足式(2)，
RSRPtar＞RSRPser+HOM (2)
则从样本集合L中分别读取这两个小区t0至tcur时刻的RSRP数据，记为RSRP历史数据集Lser和Ltar，如式(3)和式(4)所示，
(23)数据预处理。该步骤的目的是基于RSRP历史数据集Lser和Ltar构造训练集，分别用于服务小区和目标小区的LSTM模型训练。LSTM模型的训练数据是长为K(该值可由运营商根据实际情况自行确定)的时间序列数据，其中前K-1个数据作为LSTM模型的输入，最后1个数据用于与LSTM模型的输出结果比较，计算出训练误差，以更新模型中的参数。因此，需要基于RSRP历史数据集Lser和Ltar，根据LSTM的输入数据形式要求来构建服务小区和目标小区的LSTM训练集。
服务小区LSTM模型训练集的构造。LSTM需要构造的训练数据为长为K的时间序列数据，而时间序列数据的时间间隔Tinterval则取决于待预测时刻与当前时刻的时间间隔，这是由于LSTM模型中，待预测时刻和当前时刻的数据间的关系可以从相同时间间隔的历史数据中去学习到，因此需要将历史数据以时间间隔Tinterval进行重新划分成多组长为K的时间序列数据，构成训练数据集。已知RSRP历史数据集Lser中，数据之间的时间间隔为基站的测量周期Tm，若Tinterval＝vTm,v＝1,2,...，则对Lser中的各RSRP值以Tinterval为时间间隔进行抽样，以构造训练数据集。RSRP的抽样方法由图2所示。首先从t0时刻开始以Tinterval为时间间隔抽样K个时刻的RSRP作为训练集的第一组数据，抽样时刻为t0，t0+Tinterval，…，t0+(K-1)Tinterval，得到第一组抽样数据(RSRPser(t0),RSRPser(t0+Tinterval),…,RSRPser(t0+(K-1)Tinterval))。
接着对下一时刻t1做同样地抽样，以此类推，直至历史数据集被完全划分。此时，得到服务小区RSRP的训练集为L'ser，其形式如式(5)所示，
对Ltar做同样的处理，得到目标小区RSRP的训练集为L'tar，其形式如式(6)所示；
步骤(3)为服务小区和目标小区训练LSTM模型
本发明中使用的LSTM结构如图3所示。该模型有3层神经元，分别为输入层x，隐藏层c，输出层y，其中输入层有5个神经元，和输入数据个数一致，输出层有1个神经元用于输出预测结果RSRP，中间隐藏层有128个神经元(该值可由运营商根据实际自行确定)。在本发明中，L'ser和L'tar为输入的训练序列，分别对服务小区和目标小区LSTM模型进行训练。
(31)服务小区LSTM模型训练。
以其中一次训练为例进行说明。LSTM的输入为L'ser中的一组数据前5个时刻的RSRPx＝(x1,x2,…,x5)。隐藏层的状态转移由式(7)给出，
ck＝tanh(U·xk+Wck-1+b) (7)
其中，xk为x中第k个RSRP值，ck表示第k个隐藏层神经元状态，U为连接输入层和隐藏层之间的权重，W是连接隐藏层之间的权重，b为偏置值。以上参数初始化时可以随机选取，并随LSTM根据每轮训练的误差进行更新，直至误差达到精度要求。tanh表示输入层与隐藏层间的激励函数，如式(8)
最后根据式(9)得到模型输出
其中，V是连接隐藏层和输出层之间的权重，d为偏置值。以上参数初始化时可以随机选取，并随LSTM根据每轮训练的误差进行更新，直至误差达到精度要求。sigmoid表示隐藏层与输出层间的激励函数，由式(10)可知
根据L'ser中训练集中输出数据x6可计算出本次训练的误差。由式(11)给出
LSTM根据计算误差，通过逆向传播方法更新LSTM中权重U,V,W和偏置值b,d，至此，一次训练完成。
当一轮训练后，即L'ser集合中所有样本都输入LSTM模型中进行一次训练，此时，训练误差由均方误差(Mean Square Error，MSE)，由式(12)给出
其中ej为样本集中一个样本的训练误差，J为样本集中样本的个数。进行多轮样本集训练后，若训练误差E不再减小或收敛时停止，模型参数更新完毕，得到服务小区RSRP的LSTM模型。
(32)目标小区LSTM模型训练。
将L'tar输入LSTM模型中，与(1)的步骤相同，根据训练误差对模型参数更新，可获得目标小区RSRP的LSTM模型；
步骤(4)预测目标小区和服务小区TTT时刻后的RSRP。
为了实现提前的切换判断，因此需要预测TTT时刻后的RSRP。根据步骤二中时间间隔Tinterval应当取决于待预测的时刻tpre与当前时刻tcur的时间之差可知，Tinterval＝TTT。并根据Tinterval＝TTT处理得到服务小区和目标小区的训练集，分别输入步骤三中训练得到服务小区的LSTM模型和目标小区的LSTM模型。
(41)服务小区RSRP预测。对于服务小区，将待预测时刻t的前5个时刻数据(RSRPser(t-4TTT),RSRPser(t-3TTT),…,RSRPser(t))作为输入，输入训练得到的服务小区的LSTM模型，得到服务小区的预测结果
(42)目标小区RSRP预测。与服务小区类似，将目标小区待预测时刻t的前5个时刻数据(RSRPtar(t-4TTT),RSRPtar(t-3TTT),…,RSRPtar(t))作为输入，输入训练得到的目标小区LSTM模型，得到目标小区的预测结果
步骤(5)判断切换
将所得预测结果带入式(13)中，若满足式(13)则转至步骤(6)，否则转至步(1)；
步骤(6)提前切换准备。
当式(13)满足时，A3事件将判定为触发，所以服务基站会在t+TTT-Tp时刻进入切换准备阶段并向目标基站发送切换请求。其中，切换准备时间Tp＝50ms(该值由运营商根据实际情况自行确定)；
步骤(7)切换执行。当切换准备阶段完成后，与此同时，测量报告触发准则满足，UE直接切换至目标小区。至此，切换完成。
Claims (8)
1.一种基于参考信号接收功率预测的切换时延减少方法，其特征在于，包括如下步骤：
(1)采集网络信息，包括基站下发的测量控制信息和服务小区和邻小区RSRP样本集合；
(2)数据预处理，并构建服务小区和目标小区的LSTM训练集，基于RSRP样本集合提取训练所需特征，并将数据处理成可供LSTM模型训练的形式；
(3)训练服务小区和目标小区的LSTM模型，训练数据为长是K的时间序列，所述LSTM模型输入层输入前K-1个数据，输出层有1个神经元用于输出预测结果RSRP；
(4)预测目标小区和服务小区TTT时刻后的RSRP以实现提前的切换判断，根据步骤(2)中时间间隔Tinterval取决于待预测的时刻tpre与当前时刻tcur的时间之差，并根据Tinterval＝TTT处理得到服务小区和目标小区的训练集，分别输入步骤(3)中训练得到服务小区的LSTM模型和目标小区的LSTM模型；
(5)判断切换，将步骤(4)所得预测结果代入如下数学表达式进行判断：
若满足上述则转至步骤(6)，否则转至步骤(1)；
(6)提前切换准备，将A3事件将判定为触发，服务小区基站在t+TTT-Tp时刻进入切换准备阶段并向目标小区基站发送切换请求，其中，Tp为切换准备时间；
(7)切换执行，当切换准备阶段完成后，且测量报告触发准则满足，UE直接切换至目标小区，完成切换。
2.根据权利要求1所述的基于参考信号接收功率预测的切换时延减少方法，其特征在于，步骤(1)所采集基站下发的测量控制信息，包括测量周期Tm，切换控制参数TTT和HOM；
所采集的服务小区和邻小区RSRP样本集合包括每隔测量周期Tm，各UE上报测得的服务小区及所有相邻小区的RSRP到各服务基站，存入各自的服务小区基站，记为RSRP样本集合L，其表达式如下所示：
其中N为相邻小区的个数，RSRPser(ti)为ti时刻UE测得服务小区的RSRP，RSRPn(ti)为ti时刻UE测得第n个相邻小区的RSRP。
3.根据权利要求1所述的基于参考信号接收功率预测的切换时延减少方法，其特征在于，步骤(2)具体如下：
(21)从N个相邻小区中选取RSRP最大的小区视为切换目标小区，其ti时刻的RSRP标记为RSRPtar(ti)；
(22)若tcur时刻，服务小区和目标小区的RSRP满足如下关系：
RSRPtar＞RSRPser+HOM
则从样本集合L中分别读取这两个小区t0至tcur时刻的RSRP数据，记为RSRP历史数据集Lser和Ltar，具体表达形式如下：
(3)数据预处理，基于RSRP历史数据集Lser和Ltar构造训练集，分别用于服务小区和目标小区的LSTM模型训练。
4.根据权利要求1所述的基于参考信号接收功率预测的切换时延减少方法，其特征在于，服务小区LSTM模型训练集的构造包括将历史数据以时间间隔Tinterval进行重新划分成多组长为K的时间序列数据，构成训练数据集，在已知RSRP历史数据集Lser中，数据之间的时间间隔为基站的测量周期Tm，若Tinterval＝vTm,v＝1,2,...，则对Lser中的各RSRP值以Tinterval为时间间隔进行抽样，以构造训练数据集。
5.根据权利要求1所述的基于参考信号接收功率预测的切换时延减少方法，其特征在于，RSRP的抽样方法具体如下：
首先从t0时刻开始以Tinterval为时间间隔抽样K个时刻的RSRP作为训练集的第一组数据，抽样时刻为t0，t0+Tinterval，…，t0+(K-1)Tinterval，得到第一组抽样数据(RSRPser(t0),RSRPser(t0+Tinterval),…,RSRPser(t0+(K-1)Tinterval))；接着对下一时刻t1做同样地抽样，以此类推，直至历史数据集被完全划分，得到服务小区RSRP的训练集为L'ser，其形式如下所示：
对Ltar做同样的处理，得到目标小区RSRP的训练集为L'tar，其形式如下式所示：
6.根据权利要求1所述的基于参考信号接收功率预测的切换时延减少方法，其特征在于，步骤(3)中的LSTM模型模型有3层神经元，分别为输入层x，隐藏层c，输出层y，其中输入层有K-1个神经元，和输入数据个数一致，输出层有1个神经元用于输出预测结果RSRP，中间隐藏层有M个神经元。
7.根据权利要求1所述的基于参考信号接收功率预测的切换时延减少方法，其特征在于，步骤(3)包括以L'ser和L'tar为训练序列，分别对服务小区和目标小区LSTM模型进行训练，服务小区LSTM模型训练和目标小区LSTM模型训练分别在进行若干轮样本集训练后，若训练误差E不再减小或收敛时停止，模型参数更新完毕，得到服务小区RSRP和目标小区的LSTM模型；
对于LSTM模型一次训练过程如下：
LSTM的输入为L'ser中的一组数据前K-1个时刻的RSRP x＝(x1,x2,…,xk,…,xK-1)，隐藏层的状态转移由下式所示：
ck＝tanh(U·xk+Wck-1+b)
其中，xk为x中第k个RSRP值，ck表示第k个隐藏层神经元状态，U为连接输入层和隐藏层之间的权重，W是连接隐藏层之间的权重，b为偏置值；上述参数初始化时可以随机选取，并随LSTM根据每轮训练的误差进行更新，直至误差达到精度要求，tanh()表示输入层与隐藏层间的激励函数，如下式所示：
最后根据下式得到模型输出
其中，V是连接隐藏层和输出层之间的权重，d为偏置值；式中参数初始化时随机选取，并随LSTM根据每轮训练的误差进行更新，直至误差达到精度要求，sigmoid()表示隐藏层与输出层间的激励函数，如下式所示：
根据L'ser中训练集中输出数据xK计算出本次训练的误差，计算表达式如下：
LSTM根据训练误差，通过逆向传播方法更新LSTM中权重U,V,W和偏置值b，d，至此，一次训练完成；
当一轮训练后，计算均方误差得到训练误差，计算表达式如下：
其中ej为样本集中一个样本的训练误差，J为样本集中样本的个数。
8.根据权利要求1所述的基于参考信号接收功率预测的切换时延减少方法，其特征在于，步骤(4)预测目标小区和服务小区TTT时刻后的RSRP具体如下：
服务小区RSRP预测和目标小区RSRP预测分别将待预测时刻t的前K-1个时刻数据(RSRPser(t-(K-1)TTT),RSRPser(t-(K-2)TTT),…,RSRPser(t))作为输入，输入训练得到的服务小区或目标小区的LSTM模型，得到服务小区或目标小区的预测结果
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010134317.XA CN111343680B (zh) | 2020-03-02 | 2020-03-02 | 一种基于参考信号接收功率预测的切换时延减少方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010134317.XA CN111343680B (zh) | 2020-03-02 | 2020-03-02 | 一种基于参考信号接收功率预测的切换时延减少方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111343680A true CN111343680A (zh) | 2020-06-26 |
| CN111343680B CN111343680B (zh) | 2022-04-01 |
Family
ID=71187241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010134317.XA Active CN111343680B (zh) | 2020-03-02 | 2020-03-02 | 一种基于参考信号接收功率预测的切换时延减少方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111343680B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113923737A (zh) * | 2021-10-11 | 2022-01-11 | 中铁二院工程集团有限责任公司 | 一种lte-m系统智能越区切换方法 |
| CN114466424A (zh) * | 2021-11-23 | 2022-05-10 | 华信咨询设计研究院有限公司 | 一种提高udn连接稳定性的5g小区切换方法 |
| WO2022153414A1 (ja) * | 2021-01-13 | 2022-07-21 | 日本電信電話株式会社 | 接続先切替制御方法、通信装置、及びプログラム |
| CN115190546A (zh) * | 2021-04-01 | 2022-10-14 | 中铁二院工程集团有限责任公司 | 基于神经网络预测的lte-m系统越区切换方法 |
| WO2023165447A1 (zh) * | 2022-03-01 | 2023-09-07 | 维沃移动通信有限公司 | 小区切换方法、装置及用户设备 |
| WO2023224576A1 (en) * | 2022-05-17 | 2023-11-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Managing unit and method in a communications network |
| GB2627453A (en) * | 2023-02-22 | 2024-08-28 | Nokia Technologies Oy | Apparatus, method, and computer program |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103313324A (zh) * | 2012-03-06 | 2013-09-18 | 普天信息技术研究院有限公司 | LTE系统的目标小区选择方法和eNB |
| CN104581849A (zh) * | 2015-01-08 | 2015-04-29 | 重庆邮电大学 | 一种小区切换方法 |
| US20160269967A1 (en) * | 2014-01-31 | 2016-09-15 | Panasonic Intellectual Property Corporation Of America | Terminal and handover judgement method |
| US9723535B1 (en) * | 2014-11-10 | 2017-08-01 | Sprint Spectrum L.P. | Wireless network neighbor list optimization based on group delay metrics |
| CN107205225A (zh) * | 2017-08-03 | 2017-09-26 | 北京邮电大学 | 基于用户轨迹预测的无人机机载基站的切换方法和装置 |
-
2020
- 2020-03-02 CN CN202010134317.XA patent/CN111343680B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103313324A (zh) * | 2012-03-06 | 2013-09-18 | 普天信息技术研究院有限公司 | LTE系统的目标小区选择方法和eNB |
| US20160269967A1 (en) * | 2014-01-31 | 2016-09-15 | Panasonic Intellectual Property Corporation Of America | Terminal and handover judgement method |
| US9723535B1 (en) * | 2014-11-10 | 2017-08-01 | Sprint Spectrum L.P. | Wireless network neighbor list optimization based on group delay metrics |
| CN104581849A (zh) * | 2015-01-08 | 2015-04-29 | 重庆邮电大学 | 一种小区切换方法 |
| CN107205225A (zh) * | 2017-08-03 | 2017-09-26 | 北京邮电大学 | 基于用户轨迹预测的无人机机载基站的切换方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| ZHIWEN PAN: "《A Cooperative Outage Detection Approach Using an Improved RBF Neural Network with Genetic ABC Algorithm》", 《2018 10TH INTERNATION CONFERENCE ON WCSP》 * |
| 李贵勇: "《5G双连接异构网络中基于HMM 的小区预切换方案》", 《南京邮电大学学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022153414A1 (ja) * | 2021-01-13 | 2022-07-21 | 日本電信電話株式会社 | 接続先切替制御方法、通信装置、及びプログラム |
| CN115190546A (zh) * | 2021-04-01 | 2022-10-14 | 中铁二院工程集团有限责任公司 | 基于神经网络预测的lte-m系统越区切换方法 |
| CN113923737A (zh) * | 2021-10-11 | 2022-01-11 | 中铁二院工程集团有限责任公司 | 一种lte-m系统智能越区切换方法 |
| CN114466424A (zh) * | 2021-11-23 | 2022-05-10 | 华信咨询设计研究院有限公司 | 一种提高udn连接稳定性的5g小区切换方法 |
| CN114466424B (zh) * | 2021-11-23 | 2023-07-21 | 华信咨询设计研究院有限公司 | 一种提高udn连接稳定性的5g小区切换方法 |
| WO2023165447A1 (zh) * | 2022-03-01 | 2023-09-07 | 维沃移动通信有限公司 | 小区切换方法、装置及用户设备 |
| WO2023224576A1 (en) * | 2022-05-17 | 2023-11-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Managing unit and method in a communications network |
| GB2627453A (en) * | 2023-02-22 | 2024-08-28 | Nokia Technologies Oy | Apparatus, method, and computer program |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111343680B (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111343680B (zh) | 一种基于参考信号接收功率预测的切换时延减少方法 | |
| CN107249200B (zh) | 一种应用模糊预测模型的切换方法 | |
| CN108540330B (zh) | 一种异构网络环境下的基于深度学习的网络故障诊断方法 | |
| Ma et al. | A dynamic affinity propagation clustering algorithm for cell outage detection in self-healing networks | |
| CN108134979B (zh) | 基于深度神经网络的小基站开关控制方法 | |
| RU2534740C2 (ru) | Способ и устройство для определения состояния мобильности терминала | |
| CN110149595B (zh) | 一种基于hmm的异构网络用户行为预测方法 | |
| CN115278741B (zh) | 一种基于多模态数据依赖关系的故障诊断方法和装置 | |
| CN102075981B (zh) | 邻区配置优化方法和系统 | |
| Klus et al. | Deep learning based localization and HO optimization in 5G NR networks | |
| CN113498137A (zh) | 获取小区关系模型、推荐小区切换指导参数的方法及装置 | |
| CN114268981A (zh) | 网络故障检测与诊断方法及系统 | |
| CN113993172A (zh) | 一种基于用户移动行为预测的超密集网络切换方法 | |
| CN113923737A (zh) | 一种lte-m系统智能越区切换方法 | |
| CN111372255B (zh) | 一种基于图卷积神经网络的邻区关系预测方法及系统 | |
| Wu et al. | Unsupervised deep transfer learning for fault diagnosis in fog radio access networks | |
| Xue et al. | Deep learning based channel prediction for massive MIMO systems in high-speed railway scenarios | |
| CN103874146B (zh) | 一种实现小区切换的方法、基站和移动通信系统 | |
| CN114390625A (zh) | 一种基站切换的控制方法、装置、存储介质及电子设备 | |
| Elkourdi et al. | Performance analysis for virtual-cell based CoMP 5G networks using deep recurrent neural nets | |
| CN113316087A (zh) | 一种lte系统中基于终端位置预测的动态寻呼方法 | |
| CN105684493B (zh) | 一种切换参数优化的方法及设备 | |
| Srikantamurthy et al. | A novel unified handover algorithm for LTE-A | |
| Cheikh et al. | OHDP: Optimized handover with direction prediction scheme using linear regression for femtocell networks | |
| Chen et al. | Machine learning enabled wireless communication network system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |